半监督图标注揭示美国国会日益加剧的党派化
社会与信息网络
2019-06-18 v2 物理与社会
摘要
图标注是网络科学的一项关键活动，具有广泛的实际应用，并与其他网络科学任务（如社区检测与聚类）密切相关。尽管关于无监督与有监督标注算法已有大量工作，但基于随机游走的监督算法类仍需进一步探索，特别是考虑到它们与社会和政治网络的相关性。本文改进并扩展了一种新的半监督图标注方法——GLaSS 方法，该方法精确计算连通图上随机游走的吸收概率。该方法将图精确建模为离散时间马尔可夫链，将标注节点视为吸收态。该方法被应用于 1935 年至 2019 年美国众议院与参议院 42 次会议的唱名投票数据。对所得 84 个政治网络的分析表明，GLaSS 在估计图中未标注节点标签时具有强劲且一致的性能，并揭示了美国国会内部党派化显著增强的趋势。
引用
@article{arxiv.1904.01153,
title = {Semi-supervised graph labelling reveals increasing partisanship in the United States Congress},
author = {Max Glonek and Jonathan Tuke and Lewis Mitchell and Nigel Bean},
journal= {arXiv preprint arXiv:1904.01153},
year = {2019}
}
备注
18 pages, 4 figures, submitted to Applied Network Science